Couvre les probabilités, les variables aléatoires, les attentes, les GLM, les tests d'hypothèse et les statistiques bayésiennes avec des exemples pratiques.
Explore la vérification du modèle et les résidus dans lanalyse de régression, en soulignant limportance des diagnostics pour assurer la validité du modèle.
Couvre les moindres carrés pondérés itératifs, la régression de Poisson et l'analyse bayésienne des données sur l'orge de printemps à l'aide de modèles mixtes.
Explore la théorie des modèles linéaires généralisés, y compris la logistique et la régression de Poisson, lévaluation des modèles et les tests de coefficient.
Introduit une analyse de régression, couvrant les modèles linéaires et non linéaires, la régression de Poisson et l'analyse du temps de défaillance à l'aide de divers ensembles de données.
